Remote Sensing Based Retrieval of High Spatio-Temporal Soil Moisture for Agriculture

Soil moisture is a critical variable across several domains, including agriculture, hydrology, meteorology, and climatology. The required temporal and spatial resolutions for soil moisture information vary depending on the application, ranging from sub-daily to monthly, and from meters to tens of kilometers. Current operational soil moisture estimates at regional to global scales are typically provided at coarse to medium spatial resolutions (greater than 1 km). Due to the complexity of influencing factors and the high spatial and temporal variability of soil moisture, accurate estimation becomes increasingly challenging as the spatial resolution requirement increases. As a result, satellite remote sensing of soil moisture at sub-field scales (10–100 m) is generally confined to specific research sites, often limited in temporal resolution and available for only short periods, typically less than a year. However, with the launch of the Sentinel-1 satellites, which offer both high temporal and spatial resolutions, new opportunities arise to enhance the estimation of soil moisture. These advances open doors to more detailed, accurate, and temporally frequent observations, expanding the potential for broader applications beyond limited research sites. This dissertation focuses on addressing these limitations by developing methods to estimate high spatio-temporal soil moisture values, which are essential for advancing precision and smart farming applications. The work covers the complete scientific process, from acquiring in-situ measurements for validation purposes, preprocessing and analyzing remote sensing data, to conducting a detailed analysis of the strengths and weaknesses of various
Radiative Transfer (RT) model combinations used in soil moisture estimation. The primary objective is to generate high spatio-temporal distributed soil moisture maps. Emphasis is placed on minimizing the number of input variables, ensuring that all required data can be operationally retrieved from remote sensing sensors, which facilitates the transferability of the approach to other regions, with potential applications from regional to global scales. Over decades, numerous empirical and physically-based RT models have been developed to calculate radar backscatter - a key parameter estimated by Sentinel-1 - based on soil surface and vegetation canopy characteristics. A comparison of various empirical and physically-based surface and canopy RT model combinations (Publication I) identified a semi-empirical surface model (Oh04) combined with a heuristic single scattering model for vegetation (SSRT) as an optimal compromise between model sophistication (which affects transferability) and the availability of required input parameters. The Oh04 model requires surface roughness and soil moisture but does not rely on soil texture information, which is often unavailable on a large scale and can restrict transferability. The SSRT model accounts not only for the canopy backscatter but also for combined bistatic scattering contributions from the ground and vegetation. Required input parameters can be either parameterized or retrieved from optical remote sensing satellites such as Sentinel-2. The Sentinel-1 A/B satellites provide a temporal resolution with identical observation geometry every 6 days. However, by incorporating all available Sentinel-1 data - regardless of observation geometry - a temporal resolution of 1.5 days can be achieved across most of Europe. The inclusion of Sentinel-1 time series with different observation geometries presents a challenge, as varying geometries produce changes in backscatter values that complicate the analysis. A detailed study of azimuth and incidence angle variations revealed that incidence angle changes significantly affect backscatter, while azimuth angle changes are largely negligible. Despite being accounted for in RT model equations, existing models are often unable to fully reproduce the observed changes in Sentinel-1 backscatter. Therefore, modifications to the original RT models were necessary to accommodate a dense time series of images with varying incidence angles, enabling the use of a 1.5 day temporal resolution (Publication II). Building on the insights from Publications I and II, a retrieval scheme was developed using a minimal set of input parameters for high spatio-temporal soil moisture estimation (Publication III). This data assimilation approach estimates soil moisture by inverting the RT model, utilizing radar backscatter (Sentinel-1), Vegetation Water Content (VWC) (Sentinel-2), and parameterizations for surface roughness, single scattering albedo, and an empirical parameter b. To address the equifinality problem commonly encountered in remote sensing data assimilation, a medium-resolution (1 km) soil moisture dataset based on RADar-ONLine-ANeichung (RADOLAN) data is used as prior information to guide model outputs. High spatial (10 m) and temporal (1.5 day) soil moisture maps generated for the Munich North Isar (MNI) test site were validated against in-situ measurements from
maize and winter wheat fields, producing mean unbiased root mean square error (ubRMSE) values of 0.045 m3/m3 for 2017 and 0.037 m3/m3 for 2018. These estimates align with the accepted accuracy range for operational coarse-resolution soil moisture products and successfully capture spatial patterns and wetting and drying dynamics associated with localized rainfall events. To support the scientific output in Publications I, II, and III, two Python packages were developed (Publications IV and V). These packages are designed to serve both the scientific community and non-experts working with microwave remote sensing data. Freely available microwave remote sensing data typically require extensive preprocessing by experts, which limits their usability. The Python package in Publication IV provides a default preprocessing workflow to generate radiometrically and geometrically corrected sigma naught backscatter values, allowing non-experts to use microwave data with minimal preprocessing knowledge. At the same time, experts can leverage this package to streamline the creation and implementation of their own automated processing pipelines for time series data. The package described in Publication V implements various widely-used surface and canopy RT models. Its modular design allows users to easily combine different models, facilitating straightforward comparison and analysis of RT model outputs. This functionality offers significant value to the scientific community by making advanced remote sensing models more accessible and flexible. In summary, the key scientific advancements of this dissertation are:
• An improved and enhanced understanding of the comparative performance of various surface and canopy radiative transfer (RT) models, highlighting the strengths and weaknesses of different model combinations. This comprehensive analysis facilitates the selection of appropriate models for specific remote sensing applications.
• A sensitivity analysis that systematically examines how variations in input parameters impact soil moisture estimates. This analysis assesses the models’ robustness which significantly influence the accuracy of soil moisture retrieval, informing better model calibration and application.
• An exploration of the factors driving variations in Synthetic Aperture Radar (SAR) images, focusing on the effects of differing acquisition geometries, including azimuth and incidence angle changes. This insight contributes to a more detailed interpretation of SAR data, essential for accurate remote sensing analysis.
• An advancement in the understanding of scattering mechanisms through dual polarimetric decomposition techniques, which enhances the capability to analyze and interpret SAR signals related to changes in vegetation structure, moisture content, and varying acquisition geometries, such as incidence angle changes. This contribution provides deeper insights into how radar waves interact with different scattering surfaces, facilitating improved applications in agricultural monitoring and environmental assessments by accounting for these geometrical variations.
• The development of a novel approach to derive high spatio-temporal soil moisture estimates over agricultural fields, leveraging operational and freely available microwave and optical remote sensing data. This methodology enhances the accessibility and applicability of soil moisture data for agricultural monitoring and management.
• The utilization of a higher temporal resolution time series, allowing for a more comprehensive analysis of soil moisture dynamics. This increased frequency of observations significantly improves the detection of temporal variations and enhances the reliability of soil moisture estimates, ultimately supporting better decision-making in agricultural practices.
• The development of a Python-based automated preprocessing pipeline for microwave remote sensing data, enabling efficient and standardized preparation of data for analysis. This tool lowers the barrier for entry for researchers and practitioners in the field, allowing for broader utilization of microwave remote sensing technologies.
• The creation of a user-friendly Python tool designed to facilitate the integration and combination of different microwave RT models, incorporating both surface and vegetation components. This tool empowers researchers to customize their model configurations easily, promoting innovation in remote sensing studies.

Die Bodenfeuchte ist ein wichtiger Einflussfaktor in der Landwirtschaft, der Hydrologie, der Meteorologie und der Klimatologie. Die erforderlichen zeitlichen und räumlichen Auflösungen für Bodenfeuchteinformationen variieren je nach Anwendung und reichen von Tagesaktuellen bis hin zu monatlichen Werten sowie von Meter- bis zu mehreren Zehnkilometernauflösungen. Derzeit sind aus Satellitendaten abgeleitete Bodenfeuchtigkeitswerte auf regionalen bis globalen Skalen typischerweise mit grober (über 25 km) bis mittlerer räumlicher Auflösung (über 1 km) verfügbar. Aufgrund der Komplexität der Einflussfaktoren und der hohen räumlichen sowie zeitlichen Variabilität der Bodenfeuchte ist ihre Ableitung mit hohen Unsicherheiten behaftet. Zudem führen höhere räumliche Auflösungsanforderungen zu höherer Komplexität und höheren Unsicherheiten. Die satellitengestützte Ableitung der Bodenfeuchte auf sub-feldmaßstäblichen Skalen (10–100 m) befindet sich immer noch im Stadium der wissenschaftlichen Untersuchungen. Mit dem Start der Sentinel-1-Satelliten, die sowohl hohe zeitliche als auch räumliche Auflösungen bieten, ergeben sich jedoch neue Möglichkeiten zur Verbesserung der großflächigen Bodenfeuchteableitung. Das Ziel dieser Dissertation ist die Weiterentwicklung von Methoden zur Ableitung von zeitlich und räumlich hochaufgelösten Bodenfeuchtewerten aus Satellitendaten, um Anwendungen im Bereich des Smart Farmings zu unterstützen. Die Arbeit umfasst den gesamten wissenschaftlichen Prozess, von der Erfassung von In-situ-Messungen zur Validierung über die Vorprozessierung und Analyse von Fernerkundungsdaten bis hin zu einer detaillierten Analyse der Stärken und Schwächen verschiedener Modellkombinationen. Der Fokus liegt auf der Minimierung der benötigten Eingangsvariablen, um eine hohe Übertragbarkeit des entwickelten Ansatzes auf andere Gebiete zu ermöglichen. Zudem sollen alle Eingangsvariablen aus bereits frei verfügbaren Fernerkundungsdaten bereitgestellt werden. Die vom Sentinel-1-Satelliten gemessenen Radar-Backscatterwerte können mithilfe von empirisch und physikalisch basierte Strahlungstransfermodelle modelliert werden. Ein Vergleich verschiedener empirischer und physikalisch basierter Modellkombinationen (Veröffentlichung I) identifizierte ein semi-empirisches Strahlungstransfermodell (Oh04), das mit einem heuristischen Strahlungstransfermodell für Vegetation (SSRT) kombiniert wurde, als optimalen Kompromiss zwischen Modellkomplexität und der Verfügbarkeit der erforderlichen Eingangsparameter. Die Eingangsvariablen des Oh04-Modells umfassen die Bodenrauhigkeit und die Bodenfeuchte. Informationen über die Bodenart, die oft nicht in ausreichendem Maß verfügbar sind, werden nicht benötigt. Die erforderlichen Eingangsparameter des SSRT-Modells können entweder parametrisiert oder von optischen Fernerkundungssatelliten wie Sentinel-2 abgeleitet werden. Das SSRT-Modell berücksichtigt sowohl die Rückstreuung der Vegetation als auch die Rückstreuung durch die Wechselwirkungen zwischen Vegetation und Boden mit der ausgesendeten elektromagnetischen Welle. Die Sentinel-1-Satelliten bieten eine zeitliche Auflösung mit identischer Beobachtungsgeometrie alle sechs Tage. Durch die Nutzung aller verfügbaren Sentinel-1-Überflüge – nabhängig von der Aufnahmegeometrie – kann jedoch eine zeitliche Auflösung von 1.5 Tagen für weite Teile Europas erreicht werden. Die Verwendung von Zeitserien mit unterschiedlichen Aufnahmegeometrien stellt allerdings eine Herausforderung dar, da unterschiedliche Aufnahmegeometrien zu Veränderungen der Rückstreuung führen und somit die Ableitung der Bodenfeuchte erschweren. Eine detaillierte Untersuchung von verschiedenen Azimut- und Einfallswinkeln zeigt, dass Veränderungen des Einfallswinkels den Backscatter erheblich beeinflussen, während Änderungen im Azimutwinkel weitgehend vernachlässigbar sind. Obwohl die Modelle den Einfallswinkel berücksichtigen, sind sie oft nicht in der Lage, die beobachteten Änderungen im Sentinel-1-Backscatter vollständig zu reproduzieren. Daher sind Anpassungen an der ursprünglichen Modellkonzeption notwendig, um eine zeitlich hochaufgelöste Zeitreihe (Auflösung von 1.5 Tagen) mit Szenen bestehend aus unterschiedlichen Einfallswinkeln nutzbar zu machen (Veröffentlichung II). Veröffentlichungen I und II bilden die Grundlage für einen Datenassimilationsansatz, der mit minimalen Anforderungen an die Eingangsparameter, zeitlich und räumlich hochaufgelöste Bodenfeuchte aus Satellitendaten ableitet (Veröffentlichung III). Durch eine inverse Modellierung des Strahlungstransfermodells unter Verwendung des Radar-Backscatters (Sentinel-1), des Vegetationswassergehaltes (Sentinel-2) sowie einer Parametrisierung der Bodenrauhigkeit, der Reflexionsstrahlung und eines empirischen Parameters b, wird die Bodenfeuchte ermittelt. Um das häufig auftretende Problem der Äquifinalität in der Datenassimilation von Fernerkundungsdaten zu minimieren, wird zusätzlich ein 1 km aufgelöstes Bodenfeuchteprodukt, welches auf den RADOLAN-Daten des Deutschen Wetterdienstes basiert, als Zusatzinformation genutzt. Die modellierten Bodenfeuchtekarten für das Münchner Nord-Isar-Testgebiet mit 10 m räumlicher und 1.5 Tagen zeitlicher Auflösung wurden anhand von In-situ-Messungen von Mais- und Winterweizenfeldern validiert. Die modellierten Bodenfeuchtewerte liegen mit einem unbiased RMSE von 0.045 m3/m3 für 2017 und 0.037 m3/m3 für 2018 im angestrebten Genauigkeitsbereich für satellitengestützte Bodenfeuchteinformationen. Außerdem konnten Räumliche Muster bezüglich Vernässungund Abtrocknungsdynamiken, die mit lokalisierten Niederschlagsereignissen verbunden sind, mit hoher Genauigkeit reproduziert werden. Zur Erstellung der wissenschaftlichen Ergebnisse der Veröffentlichungen I, II und III wurden zwei Python-Bibliotheken entwickelt. Frei verfügbare Mikrowellenfernerkundungsdaten sind in der Regel nicht ohne weiteres nutzbar und erfordern zunächst eine umfangreiche Vorprozessierung, was ihre Anwendbarkeit stark limitiert. Die in Veröffentlichung IV beschriebene Python-Bibliothek bietet eine automatisierte Vorprozessierungskette, um radiometrisch und geometrisch korrigierte Sentinel-1-Sigma-Naught-Backscatter-Werte zu generieren. Durch diesen Python-Code können auch Personen mit Programmierkenntnissen und minimalem Vorwissen im Bereich der Fernerkundung Sentinel-1-Daten nutzen. Zudem können Fernerkundungsexperten mit Programmierkenntnissen dieses Paket verwenden, um eine angepasste oder komplett neue Prozessierungskette für Sentinel-1-Zeitreihendaten zu
erstellen. Die in Veröffentlichung V beschriebene Python-Bibliothek umfasst verschiedene gängig verwendete Strahlungstransfermodelle. Das modulare Design ermöglicht den Nutzern, verschiedene Modelle einfach zu kombinieren, wodurch eine schnelle und einfache Analyse verschiedener Modellergebnisse ermöglicht wird. Die wichtigsten wissenschaftlichen Fortschritte dieser Doktorarbeit sind:
• Ein verbessertes und erweitertes Verständnis der meistverwendeten Mikrowellen Strahlungstransfermodellen. Die durchgefuhrte umfassende Analyse erleichtert die Auswahl geeigneter Modelle für spezifische Anwendungen der Fernerkundung.
• Eine Sensitivitätsanalyse, die systematisch untersucht, wie Variationen der Eingangsvaribalen die Ableitungsqualität von Bodenfeuchtewerten beeinflussen. Diese Analyse bewertet die Robustheit derModelle und Eingangsparameter, welche die Genauigkeit der Bodenfeuchteretrievals erheblich beeinflussen und somit eine bessere Modellkalibrierung und Anwendung ermöglichen.
• Eine Analyse der Auswirkungen von unterschiedlichen Sentinel-1 Aufnahmegeometrien auf den Radar-Backscatter. Diese Erkenntnisse im Bereich des Azimut- und Einfallswinkels tragen zu einer verbesserten Interpretation der Sentinel-1 Zeitreihen bei.
• Ein Fortschritt im Verständnis der Streumechanismen durch duale polarimetrische Dekomposition, der die Fähigkeit zur Analyse und Interpretation von Radarsystemen mit synthetischer Aperatur in Bezug auf Veränderungen in der Vegetationsstruktur, dem Feuchtigkeitsgehalt und variierenden Aufnahmegeometrien, verbessert. Dieser Beitrag liefert tiefere Einblicke in die Wechselwirkungen von Radarwellen mit unterschiedlichen
Oberflächen, wodurch verbesserte Anwendungen in der landwirtschaftlichen Überwachung und der Umweltbewertung ermöglicht werden.
• Die Entwicklung eines neuartigen Ansatzes zur Ableitung räumlich und zeitlich hochaufgelöster Bodenfeuchteinformationen von landwirtschaftliche Flächen, welcher auf frei verfügbaren Mikrowellen- und optischen Fernerkundungsdaten basiert. Diese Methodik verbessert die Ableitung von der Bodenfeuchte für Smart-Farming Anwendungen.
• Die Nutzung einer Zeitreihe mit erhöhter zeitlicher Auflösung, die eine umfassendere Analyse der Dynamik der Bodenfeuchte ermöglicht. Die erhöhte Beobachtungsfrequenz verbessert die Erkennung zeitlicher Variationen und erhöht die Zuverlässigkeit der Bodenfeuchteableitung, was letztendlich bessere Entscheidungsfindungen in landwirtschaftlichen Praktiken unterstützt.
• Die Entwicklung einer Python-Bibliothek zur automatisierten Vorprozessierung von Mikrowellenfernerkundungsdaten. Dieses Tool senkt die Eintrittsbarrieren für Forscher und Praktiker in diesem Bereich und ermöglicht eine breitere Nutzung der Technologien der Mikrowellenfernerkundung.
• Die Erstellung einer Python-Bibliothek, das darauf ausgelegt ist, die Integration und Kombination verschiedener Mikrowellenstrahlungstransfermodellen zu vereinfachen. Dieses Tool ermöglicht es Forschern, verschiedene Modellkombinationen schnell und einfach zu analysieren.